Merge branch 'dygraph' of https://github.com/PaddlePaddle/PaddleOCR into dygraph

doc/doc_ch/PPOCRv3_det_train.md

+
+# PP-OCRv3 文本检测模型训练
+
+- [1. 简介](#1)
+- [2. PPOCRv3检测训练](#2)
+- [3. 基于PPOCRv3检测的finetune训练](#3)
+
+<a name="1"></a>
+## 1. 简介
+
+PP-OCRv3在PP-OCRv2的基础上进一步升级。本节介绍PP-OCRv3检测模型的训练步骤。有关PPOCRv3策略介绍参考[文档](./PP-OCRv3_introduction.md)。
+
+
+<a name="2"></a>
+## 2. 检测训练
+
+PP-OCRv3检测模型是对PP-OCRv2中的[CML](https://arxiv.org/pdf/2109.03144.pdf)（Collaborative Mutual Learning) 协同互学习文本检测蒸馏策略进行了升级。PP-OCRv3分别针对检测教师模型和学生模型进行进一步效果优化。其中，在对教师模型优化时，提出了大感受野的PAN结构LK-PAN和引入了DML（Deep Mutual Learning）蒸馏策略；在对学生模型优化时，提出了残差注意力机制的FPN结构RSE-FPN。
+
+PP-OCRv3检测训练包括两个步骤：
+- 步骤1：采用DML蒸馏方法训练检测教师模型
+- 步骤2：使用步骤1得到的教师模型采用CML方法训练出轻量学生模型
+
+
+### 2.1 准备数据和运行环境
+
+训练数据采用icdar2015数据，准备训练集步骤参考[ocr_dataset](./dataset/ocr_datasets.md).
+
+运行环境准备参考[文档](./installation.md)。
+
+
+### 2.2 训练教师模型
+
+教师模型训练的配置文件是[ch_PP-OCRv3_det_dml.yml](https://github.com/PaddlePaddle/PaddleOCR/blob/release%2F2.5/configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_dml.yml)。教师模型模型结构的Backbone、Neck、Head分别为Resnet50, LKPAN, DBHead，采用DML的蒸馏方法训练。有关配置文件的详细介绍参考[文档](./knowledge_distillation)。
+
+
+下载ImageNet预训练模型：
+```
+# 下载ResNet50_vd的预训练模型
+wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/pretrained/ResNet50_vd_ssld_pretrained.pdparams
+```
+
+**启动训练**
+```
+# 单卡训练
+python3 tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_dml.yml \
+    -o Architecture.Models.Student.pretrained=./pretrain_models/ResNet50_vd_ssld_pretrained \
+       Architecture.Models.Student2.pretrained=./pretrain_models/ResNet50_vd_ssld_pretrained \
+       Global.save_model_dir=./output/
+# 如果要使用多GPU分布式训练，请使用如下命令：
+python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_dml.yml \
+    -o Architecture.Models.Student.pretrained=./pretrain_models/ResNet50_vd_ssld_pretrained \
+       Architecture.Models.Student2.pretrained=./pretrain_models/ResNet50_vd_ssld_pretrained \
+       Global.save_model_dir=./output/
+```
+
+训练过程中保存的模型在output目录下，包含以下文件：
+```
+best_accuracy.states    
+best_accuracy.pdparams  # 默认保存最优精度的模型参数
+best_accuracy.pdopt     # 默认保存最优精度的优化器相关参数
+latest.states    
+latest.pdparams  # 默认保存的最新模型参数
+latest.pdopt     # 默认保存的最新模型的优化器相关参数
+```
+其中，best_accuracy是保存的精度最高的模型参数，可以直接使用该模型评估。
+
+模型评估命令如下：
+```
+python3 tools/eval.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_dml.yml -o Global.checkpoints=./output/best_accuracy
+```
+
+训练的教师模型结构更大，精度更高，用于提升学生模型的精度。
+
+**提取教师模型参数**
+best_accuracy包含两个模型的参数，分别对应配置文件中的Student，Student2。提取Student的参数方法如下：
+
+```
+import paddle
+# 加载预训练模型
+all_params = paddle.load("output/best_accuracy.pdparams")
+# 查看权重参数的keys
+print(all_params.keys())
+# 模型的权重提取
+s_params = {key[len("Student."):]: all_params[key] for key in all_params if "Student." in key}
+# 查看模型权重参数的keys
+print(s_params.keys())
+# 保存
+paddle.save(s_params, "./pretrain_models/dml_teacher.pdparams")
+```
+
+提取出来的模型参数可以用于模型进一步的finetune训练或者蒸馏训练。
+
+### 2.3 训练学生模型
+
+训练学生模型的配置文件是[ch_PP-OCRv3_det_cml.yml](https://github.com/PaddlePaddle/PaddleOCR/blob/release%2F2.5/configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml)
+上一节训练得到的教师模型作为监督，采用CML方式训练得到轻量的学生模型。
+
+下载学生模型的ImageNet预训练模型：
+```
+# 下载MobileNetV3的预训练模型
+wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/pretrained/MobileNetV3_large_x0_5_pretrained.pdparams
+```
+
+**启动训练**
+
+```
+# 单卡训练
+python3 tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
+    -o Architecture.Models.Student.pretrained=./pretrain_models/MobileNetV3_large_x0_5_pretrained \
+       Architecture.Models.Student2.pretrained=./pretrain_models/MobileNetV3_large_x0_5_pretrained \
+       Architecture.Models.Teacher.pretrained=./pretrain_models/dml_teacher \
+       Global.save_model_dir=./output/
+# 如果要使用多GPU分布式训练，请使用如下命令：
+python3  -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
+    -o Architecture.Models.Student.pretrained=./pretrain_models/MobileNetV3_large_x0_5_pretrained \
+       Architecture.Models.Student2.pretrained=./pretrain_models/MobileNetV3_large_x0_5_pretrained \
+       Architecture.Models.Teacher.pretrained=./pretrain_models/dml_teacher \
+       Global.save_model_dir=./output/
+```
+
+训练过程中保存的模型在output目录下，
+模型评估命令如下：
+```
+python3 tools/eval.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml -o Global.checkpoints=./output/best_accuracy
+```
+
+best_accuracy包含三个模型的参数，分别对应配置文件中的Student，Student2，Teacher。提取Student参数的方法如下：
+
+```
+import paddle
+# 加载预训练模型
+all_params = paddle.load("output/best_accuracy.pdparams")
+# 查看权重参数的keys
+print(all_params.keys())
+# 模型的权重提取
+s_params = {key[len("Student."):]: all_params[key] for key in all_params if "Student." in key}
+# 查看模型权重参数的keys
+print(s_params.keys())
+# 保存
+paddle.save(s_params, "./pretrain_models/cml_student.pdparams")
+```
+
+提取出来的Student的参数可用于模型部署或者做进一步的finetune训练。
+
+
+
+<a name="3"></a>
+## 3. 基于PPOCRv3检测finetune训练
+
+本节介绍如何使用PPOCRv3检测模型在其他场景上的finetune训练。
+
+finetune训练适用于三种场景：
+- 基于CML蒸馏方法的finetune训练，适用于教师模型在使用场景上精度高于PPOCRv3检测模型，且希望得到一个轻量检测模型。
+- 基于PPOCRv3轻量检测模型的finetune训练，无需训练教师模型，希望在PPOCRv3检测模型基础上提升使用场景上的精度。
+- 基于DML蒸馏方法的finetune训练，适用于采用DML方法进一步提升精度的场景。
+
+
+**基于CML蒸馏方法的finetune训练**
+
+下载PPOCRv3训练模型：
+```
+wget https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_distill_train.tar
+tar xf ch_PP-OCRv3_det_distill_train.tar
+```
+ch_PP-OCRv3_det_distill_train/best_accuracy.pdparams包含CML配置文件中Student、Student2、Teacher模型的参数。
+
+启动训练：
+
+```
+# 单卡训练
+python3 tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
+    -o Global.pretrained_model=./ch_PP-OCRv3_det_distill_train/best_accuracy \
+       Global.save_model_dir=./output/
+# 如果要使用多GPU分布式训练，请使用如下命令：
+python3  -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
+    -o Global.pretrained_model=./ch_PP-OCRv3_det_distill_train/best_accuracy  \
+       Global.save_model_dir=./output/
+```
+
+**基于PPOCRv3轻量检测模型的finetune训练**
+
+
+下载PPOCRv3训练模型，并提取Student结构的模型参数：
+```
+wget https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_distill_train.tar
+tar xf ch_PP-OCRv3_det_distill_train.tar
+```
+
+提取Student参数的方法如下：
+
+```
+import paddle
+# 加载预训练模型
+all_params = paddle.load("output/best_accuracy.pdparams")
+# 查看权重参数的keys
+print(all_params.keys())
+# 模型的权重提取
+s_params = {key[len("Student."):]: all_params[key] for key in all_params if "Student." in key}
+# 查看模型权重参数的keys
+print(s_params.keys())
+# 保存
+paddle.save(s_params, "./student.pdparams")
+```
+
+使用配置文件[ch_PP-OCRv3_det_student.yml](https://github.com/PaddlePaddle/PaddleOCR/blob/release%2F2.5/configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml)训练。
+
+**启动训练**
+
+```
+# 单卡训练
+python3 tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml \
+    -o Global.pretrained_model=./student \
+       Global.save_model_dir=./output/
+# 如果要使用多GPU分布式训练，请使用如下命令：
+python3  -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml \
+    -o Global.pretrained_model=./student \
+       Global.save_model_dir=./output/
+```
+
+
+**基于DML蒸馏方法的finetune训练**
+
+以ch_PP-OCRv3_det_distill_train中的Teacher模型为例，首先提取Teacher结构的参数，方法如下：
+```
+import paddle
+# 加载预训练模型
+all_params = paddle.load("ch_PP-OCRv3_det_distill_train/best_accuracy.pdparams")
+# 查看权重参数的keys
+print(all_params.keys())
+# 模型的权重提取
+s_params = {key[len("Teacher."):]: all_params[key] for key in all_params if "Teacher." in key}
+# 查看模型权重参数的keys
+print(s_params.keys())
+# 保存
+paddle.save(s_params, "./teacher.pdparams")
+```
+
+**启动训练**
+```
+# 单卡训练
+python3 tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_dml.yml \
+    -o Architecture.Models.Student.pretrained=./teacher \
+       Architecture.Models.Student2.pretrained=./teacher \
+       Global.save_model_dir=./output/
+# 如果要使用多GPU分布式训练，请使用如下命令：
+python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_dml.yml \
+    -o Architecture.Models.Student.pretrained=./teacher \
+       Architecture.Models.Student2.pretrained=./teacher \
+       Global.save_model_dir=./output/
+```
+
+

ppocr/data/imaug/label_ops.py

@@ -23,7 +23,6 @@ import string
 from shapely.geometry import LineString, Point, Polygon
 import json
 import copy
-
 from ppocr.utils.logging import get_logger
 
 
@@ -74,9 +73,10 @@ class DetLabelEncode(object):
         s = pts.sum(axis=1)
         rect[0] = pts[np.argmin(s)]
         rect[2] = pts[np.argmax(s)]
-        diff = np.diff(pts, axis=1)
-        rect[1] = pts[np.argmin(diff)]
-        rect[3] = pts[np.argmax(diff)]
+        tmp = np.delete(pts, (np.argmin(s), np.argmax(s)), axis=0)
+        diff = np.diff(np.array(tmp), axis=1)
+        rect[1] = tmp[np.argmin(diff)]
+        rect[3] = tmp[np.argmax(diff)]
         return rect
 
     def expand_points_num(self, boxes):
@@ -438,12 +438,14 @@ class KieLabelEncode(object):
             texts.append(ann['transcription'])
             text_ind = [self.dict[c] for c in text if c in self.dict]
             text_inds.append(text_ind)
-            if 'label' in anno.keys():
+            if 'label' in ann.keys():
                 labels.append(ann['label'])
-            elif 'key_cls' in anno.keys():
-                labels.append(anno['key_cls'])
+            elif 'key_cls' in ann.keys():
+                labels.append(ann['key_cls'])
             else:
-                raise ValueError("Cannot found 'key_cls' in ann.keys(), please check your training annotation.")
+                raise ValueError(
+                    "Cannot found 'key_cls' in ann.keys(), please check your training annotation."
+                )
             edges.append(ann.get('edge', 0))
         ann_infos = dict(
             image=data['image'],

tools/infer/predict_det.py

@@ -154,9 +154,10 @@ class TextDetector(object):
         s = pts.sum(axis=1)
         rect[0] = pts[np.argmin(s)]
         rect[2] = pts[np.argmax(s)]
-        diff = np.diff(pts, axis=1)
-        rect[1] = pts[np.argmin(diff)]
-        rect[3] = pts[np.argmax(diff)]
+        tmp = np.delete(pts, (np.argmin(s), np.argmax(s)), axis=0)
+        diff = np.diff(np.array(tmp), axis=1)
+        rect[1] = tmp[np.argmin(diff)]
+        rect[3] = tmp[np.argmax(diff)]
         return rect
 
     def clip_det_res(self, points, img_height, img_width):